本文關(guān)鍵詞：基于SAR圖像的海面溢油檢測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來海洋環(huán)境受到了來自海上運(yùn)輸船只漏油和海上石油鉆井平臺泄漏的嚴(yán)重威脅,世界各國紛紛加強(qiáng)了海洋環(huán)境監(jiān)控,建立了全天時(shí)的海面溢油檢測識別系統(tǒng)。隨著衛(wèi)星遙感技術(shù)的進(jìn)步,SAR(Synthetic Aperture Radar)技術(shù)由于其全天時(shí)、全天候的特征,已被證明是一種有效的海洋環(huán)境監(jiān)控手段,SAR衛(wèi)星遙感圖像結(jié)合各種圖像處理技術(shù),可以比較準(zhǔn)確地檢測識別出海面上大面積的非自然產(chǎn)生的油膜,為及時(shí)發(fā)現(xiàn)、快速處理漏油事故提供了有力的支持。本文針對基于SAR的溢油檢測關(guān)鍵問題,如對圖像預(yù)處理、溢油疑似區(qū)域提取、目標(biāo)識別、虛警剔除等進(jìn)行了深入的研究。本文的主要研究成果如下:在圖像分割部分,本文提出一種基于分水嶺同質(zhì)區(qū)劃分的改進(jìn)CV(Chan-Vese)模型的SAR圖像分割方法,在包含陸地、海面及海面溢油區(qū)域的SAR大視場圖像中提取候選溢油區(qū)域。首先對圖像進(jìn)行預(yù)處理,使用Gamma MAP(maximum a posteriori)自適應(yīng)濾波對SAR圖像的斑點(diǎn)噪聲進(jìn)行抑制;其次利用分水嶺算法進(jìn)行標(biāo)號得到大致的同質(zhì)區(qū),通過填充處理,使圖像僅包含海面和溢油區(qū);最后使用基于CV模型的分割方法得到候選溢油區(qū)域。針對SAR圖像在成像時(shí)灰度信息不均勻可導(dǎo)致CV算法失敗的現(xiàn)象,引入基于平滑灰度的信息,提出了改進(jìn)的CV算法,使CV分割算法對噪聲的影響有所降低。針對SAR圖像溢油檢測的大視場、復(fù)雜性高的問題,本文提出以視覺詞袋模型為目標(biāo)檢測關(guān)鍵技術(shù)的復(fù)雜場景SAR圖像溢油檢測方法。首先從SAR圖像中提取出興趣區(qū)域,提取圖像的低層特征,然后利用K-means聚類方法將低層特征構(gòu)建為視覺詞典。其次選擇標(biāo)記的溢油SAR圖像和非溢油SAR圖像作為圖像的訓(xùn)練樣本,提取樣本圖像興趣區(qū)域的低層特征,并在已經(jīng)建立的視覺詞典中找到與之匹配的視覺單詞,統(tǒng)計(jì)兩種樣本的視覺單詞頻率直方圖。最后設(shè)計(jì)一種合適的分類器,實(shí)現(xiàn)對SAR圖像中提取的興趣區(qū)域進(jìn)行溢油區(qū)域識別。通過對視覺詞袋在SAR圖像理解中的應(yīng)用分析和研究,為后續(xù)對SAR圖像的高級語義理解的深入研究工作奠定良好的基礎(chǔ)。最后,本文提出了基于上下文思想構(gòu)建馬爾科夫隨機(jī)場(Markov random field,MRF)的溢油檢測方法,充分利用圖像中的上下文信息實(shí)現(xiàn)對圖像中目標(biāo)的識別和分割,結(jié)合上下文關(guān)系和目標(biāo)自身特征與噪聲的差異性形成了一種虛警剔除的方法。通過運(yùn)用馬爾科夫概率統(tǒng)計(jì)模型來描述各個(gè)局部像素點(diǎn)或像素塊的鄰域系統(tǒng)之間的上下文的概率關(guān)系,基于馬爾科夫隨機(jī)場和吉布斯(Gibbs)分布的等效原理建立SAR圖像的溢油數(shù)據(jù)統(tǒng)計(jì)模型,根據(jù)局部概率和全局概率按照條件迭代的算法求得最大后驗(yàn)概率的最佳解的分割。重點(diǎn)討論和論證了初始標(biāo)號場對于馬爾科夫隨機(jī)場上下文模型的影響和改進(jìn),通過視覺凸顯圖建立初始標(biāo)號場,通過視覺金字塔建立SAR圖像的多尺度的大視場分析;并對吉布斯分布中的切分函數(shù)的能量函數(shù)的勢函數(shù)參數(shù)進(jìn)行了詳盡的討論與實(shí)驗(yàn)分析論證。實(shí)驗(yàn)驗(yàn)證本方法不但可以準(zhǔn)確地進(jìn)行分割和檢測,加強(qiáng)了對噪聲和虛警的抑制作用,而且使高分辨率小尺度的SAR圖像的紋理細(xì)節(jié)信息得到了很好的保存。
【關(guān)鍵詞】：SAR 溢油檢測 圖像分割 特征提取 圖像分類 視覺詞袋 上下文 馬爾科夫隨機(jī)場
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：X87
【目錄】：

• 摘要5-7
• Abstract7-15
• 第1章 緒論15-24
• 1.1 研究背景15-17
• 1.2 國內(nèi)外溢油檢測研究的進(jìn)展17-21
• 1.2.1 SAR衛(wèi)星技術(shù)的發(fā)展17-20
• 1.2.2 國內(nèi)外溢油檢測研究進(jìn)展20-21
• 1.3 本文主要研究內(nèi)容和結(jié)構(gòu)安排21-24
• 第2章 溢油檢測的關(guān)鍵技術(shù)及框架24-37
• 2.1 合成孔徑雷達(dá)簡介24-27
• 2.1.1 SAR基礎(chǔ)24-26
• 2.1.2 SAR成像特征26-27
• 2.2 基于SAR成像的溢油檢測處理關(guān)鍵技術(shù)27-34
• 2.2.1 溢油檢測原理27-28
• 2.2.2 溢油檢測處理流程28-29
• 2.2.3 暗斑區(qū)域提取29-30
• 2.2.4 特征提取30-31
• 2.2.5 圖像分類判斷溢油區(qū)域31-33
• 2.2.6 溢油檢測研究系統(tǒng)的評估問題33-34
• 2.3 一種層次化的溢油區(qū)域提取方法34-36
• 2.4 本章小結(jié)36-37
• 第3章 結(jié)合分水嶺算法和改進(jìn)CV算法的圖像分割方法37-54
• 3.1 引言37-38
• 3.2 SAR圖像濾波38-40
• 3.2.1 常用濾波方法38
• 3.2.2 濾波結(jié)果及分析38-40
• 3.3 SAR圖像分割40-43
• 3.3.1 SAR圖像分割定義40-41
• 3.3.2 SAR圖像分割經(jīng)典算法41-43
• 3.4 基于局部的CV模型SAR圖像分割算法43-53
• 3.4.1 主動輪廓模型43-44
• 3.4.2 水平集方法44-45
• 3.4.3 分水嶺算法簡介45-46
• 3.4.4 CV模型46-48
• 3.4.5 改進(jìn)CV算法48-49
• 3.4.6 算法流程49-50
• 3.4.7 實(shí)驗(yàn)結(jié)果與分析50-53
• 3.5 本章小結(jié)53-54
• 第4章 基于視覺詞袋模型的疑似溢油提取54-86
• 4.1 引言54-56
• 4.2 視覺詞袋模型56-72
• 4.2.1 提取興趣區(qū)域56-57
• 4.2.2 SAR溢油低層特征分析57-66
• 4.2.3 特征提取以及結(jié)果分析66-71
• 4.2.4 構(gòu)建視覺詞典71-72
• 4.3 分類器設(shè)計(jì)72-81
• 4.3.1 支持向量機(jī)SVM74-75
• 4.3.2 核函數(shù)75-80
• 4.3.3 基于多核學(xué)習(xí)的溢油區(qū)域判別80-81
• 4.4 實(shí)驗(yàn)驗(yàn)證81-85
• 4.4.1 實(shí)驗(yàn)設(shè)置81-82
• 4.4.2 支持向量機(jī)懲罰參數(shù)C對檢測性能影響82-83
• 4.4.3 實(shí)驗(yàn)仿真結(jié)果83-85
• 4.5 本章小結(jié)85-86
• 第5章 基于上下文思想構(gòu)建馬爾科夫場的溢油識別方法86-116
• 5.1 引言86-89
• 5.1.1 傳統(tǒng)的圖像分割87-88
• 5.1.2 上下文分割與虛警剔除88-89
• 5.1.3 如何運(yùn)用上下文模型89
• 5.2 圖像分割中的馬爾科夫隨機(jī)場89-103
• 5.2.1 鄰域系統(tǒng)與子團(tuán)90-92
• 5.2.2 馬爾科夫隨機(jī)場數(shù)學(xué)模型92-103
• 5.3 ICM（條件迭代模型）MRF SAR圖像溢油檢測103-115
• 5.3.1 高斯粘合模型在馬爾科夫隨機(jī)場中的應(yīng)用106-107
• 5.3.2 勢函數(shù)參數(shù)與初始標(biāo)號場107-115
• 5.4 本章小結(jié)115-116
• 第6章 總結(jié)與展望116-120
• 6.1 本文研究工作總結(jié)116-118
• 6.2 進(jìn)一步工作展望118-120
• 參考文獻(xiàn)120-129
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單129-130
• 致謝130-131
• 作者簡歷131

  本文關(guān)鍵詞：基于SAR圖像的海面溢油檢測研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：273113